从CAPM到事件研究：Python实战累计超额收益率（CAR）的量化分析

1. 理解CAPM与事件研究法的底层逻辑

我第一次接触CAPM模型是在研究生时期，当时只觉得是一堆数学公式。直到工作后用它分析上市公司财报影响，才发现这个诞生于1960年代的模型至今仍是金融分析的基石。简单来说，CAPM（资本资产定价模型）告诉我们：股票的预期收益率=无风险利率+β×市场风险溢价。这个β系数就像股票的"敏感度"，衡量它相对于大盘的波动程度。

举个例子，某科技公司β=1.5，意味着当市场上涨10%时，它可能上涨15%；反之市场下跌时它也会跌得更猛。而像水电公司这类稳定行业，β通常小于1。去年我用这个模型分析新能源车企，发现它们的β普遍在2.0以上，这解释了为何这些股票波动剧烈。

事件研究法则是CAPM的延伸应用。当公司发布财报、并购重组等重大事件发生时，我们可以用CAPM计算"本该获得"的正常收益率，再对比实际收益率，差值就是超额收益率(AR)。把事件窗口期内每天的AR累加，就得到累计超额收益率(CAR)——它直接反映了市场对该事件的反应强度。

2. 数据准备与β系数计算实战

做量化分析最头疼的往往是数据获取。我常用的免费数据源有Yahoo Finance的API（适合美股）和AKShare库（适合A股）。以分析A股某白酒企业年报事件为例，我们需要准备：

• 该股票至少过去一年的日收益率数据
• 对应时间段的市场指数（如沪深300）收益率
• 无风险利率（一般用1年期国债收益率）

import akshare as ak import pandas as pd # 获取贵州茅台(600519)和沪深300数据 stock_data = ak.stock_zh_a_daily(symbol="sh600519", adjust="hfq") index_data = ak.stock_zh_index_daily(symbol="sh000300") # 计算日收益率 stock_data['return'] = stock_data['close'].pct_change() index_data['return'] = index_data['close'].pct_change() # 合并数据 merged_data = pd.merge(stock_data[['date','return']], index_data[['date','return']], on='date', suffixes=('_stock','_index'))

计算β系数时要注意几个坑：

1. 数据频率影响结果：日数据计算的β通常比月数据更不稳定
2. 时间窗口选择：一般用事件前1年数据，但周期性行业可能需要更长
3. 极端值处理：像2020年疫情初期的市场异常波动建议做Winsorize处理

from statsmodels.api import OLS # 准备回归数据 X = merged_data['return_index'].iloc[1:] # 市场收益率 y = merged_data['return_stock'].iloc[1:] # 个股收益率 X = sm.add_constant(X) # 添加截距项 # 线性回归计算β model = OLS(y, X).fit() beta = model.params[1] print(f"贵州茅台的β系数为：{beta:.2f}")

3. 事件窗口与正常收益率建模

确定事件日（比如年报发布日期）后，需要定义事件窗口。常见设置是[-20,20]，即事件前后各20个交易日。但要注意：

• 窗口太短可能遗漏市场反应
• 窗口太长会引入其他噪音因素
• 最好避开财报季、政策发布等密集事件期

计算正常收益率的CAPM公式看似简单，但实操中有几个关键点：

1. 无风险利率要用匹配的时间周期，日收益率对应日化无风险利率
2. 市场收益率建议用流通市值加权指数
3. 对于停牌日期的处理要一致（建议向前填充）

# 年化无风险利率转为日化 annual_rf = 0.015 # 假设1.5% daily_rf = (1 + annual_rf)**(1/252) - 1 # 计算每日正常收益率 merged_data['normal_return'] = daily_rf + beta * ( merged_data['return_index'] - daily_rf) # 可视化对比 import matplotlib.pyplot as plt plt.figure(figsize=(10,6)) plt.plot(merged_data['date'], merged_data['return_stock'], label='实际收益率') plt.plot(merged_data['date'], merged_data['normal_return'], label='正常收益率') plt.legend() plt.title("实际收益率 vs CAPM预测收益率") plt.show()

4. CAR计算与结果解读技巧

超额收益率(AR)就像股票的"异常表现分"，计算方法是：

AR = 实际收益率 - 正常收益率

而CAR则是把事件窗口内每天的AR累加，相当于考察期内异常表现的总分。但要注意几个常见误区：

1. 统计显著性检验：CAR是否显著不为0？建议用t检验验证
2. 行业对比：单独CAR值意义有限，需要同行业公司对比
3. 事件类型差异：利好事件CAR应为正，利空则为负

# 定义事件日（假设2023-03-31） event_date = pd.to_datetime('2023-03-31') event_idx = merged_data[merged_data['date']==event_date].index[0] # 设置事件窗口 window_start = event_idx - 20 window_end = event_idx + 20 # 计算AR和CAR merged_data['AR'] = merged_data['return_stock'] - merged_data['normal_return'] car = merged_data['AR'].iloc[window_start:window_end+1].sum() # 输出结果 print(f"事件窗口[{window_start}:{window_end}]的CAR值为：{car:.2%}") # 绘制CAR走势 merged_data['CAR'] = merged_data['AR'].cumsum() plt.figure(figsize=(10,6)) plt.plot(merged_data['date'], merged_data['CAR']) plt.axvline(x=event_date, color='r', linestyle='--') plt.title("累计超额收益率(CAR)走势") plt.show()

去年分析某电商平台财报时，我发现虽然CAR整体为正，但细分看：

• 财报前5天CAR就开始上升（可能存在信息泄露）
• 财报次日CAR跳升3.2%（超预期）
• 之后10天持续回落（利好兑现）

这种精细分析比单纯看最终CAR值更有价值。

5. 案例：用CAR分析并购公告效应

以某知名互联网公司收购案为例，完整走一遍流程：

1. 数据准备阶段

   • 获取收购方、被收购方及同行业可比公司数据
   • 市场指数选用中概股指数(HXC)
   • 事件日确定为2022-08-15（公告日）

2. 模型构建

   # 计算各公司β betas = {} for ticker in ['BIDU', 'TARGET', 'COMP1', 'COMP2']: model = OLS(returns[ticker], sm.add_constant(returns['HXC'])).fit() betas[ticker] = model.params[1] # 计算正常收益率 for ticker in returns.columns[:-1]: # 最后一列是市场指数 returns[f'{ticker}_normal'] = daily_rf + betas[ticker] * ( returns['HXC'] - daily_rf)

3. CAR分析

   # 定义事件窗口 event_idx = returns.index.get_loc('2022-08-15') window = slice(event_idx-10, event_idx+10) # 计算CAR car_results = {} for ticker in ['BIDU', 'TARGET']: ar = returns[ticker] - returns[f'{ticker}_normal'] car_results[ticker] = ar[window].sum() print(f"百度CAR: {car_results['BIDU']:.2%}") print(f"标的公司CAR: {car_results['TARGET']:.2%}")

实际运行发现：

• 收购方(BIDU)CAR为-2.3%（市场担忧溢价过高）
• 被收购方CAR高达+18.7%（溢价体现）
• 同业公司CAR也普遍上涨（行业估值提升）

这种分析可以帮助判断市场对并购交易的看法，以及是否存在协同效应预期。

6. 常见问题与解决方案

在金融实验室带学生做CAR分析时，最常遇到的几个问题：

问题1：β系数不稳定

• 解决方案：尝试用不同时间窗口（3个月/6个月/1年）计算β，取中位数
• 进阶方法：采用动态β模型（如Kalman Filter）

问题2：事件窗口内有其他干扰

• 解决方案：控制变量法，加入行业CAR作为解释变量
• 示例代码：

  # 计算行业平均CAR industry_car = np.mean([car_results[t] for t in ['COMP1','COMP2']]) # 调整后的CAR adjusted_car = car_results['BIDU'] - 0.5*industry_car

问题3：小样本统计效力不足

• 解决方案：扩大样本量（建议至少30个事件）
• 替代方案：采用bootstrap方法重采样

问题4：CAR方向与预期相反可能原因：

1. 市场提前消化信息（检查事件日前CAR）
2. 模型设定有问题（检查β计算是否正确）
3. 存在未被考虑的变量（如政策变化）

有次分析医药集采事件，发现中标企业CAR反而上升。深入分析才发现这些企业通过以价换量，市场份额提升抵消了降价影响。这说明CAR分析必须结合行业知识。